基于FP-YOLO的舰船目标细粒度分类识别OA

针对当前舰船目标分类识别任务中细粒度分类程度不足和精确定位性能欠佳的问题,提出一种改进的目标识别算法FP-YOLO。该算法在骨干网和颈部网中分别引入了新的跨阶段瓶颈模块D2f和G2f,增强了骨干网的细节特征提取能力和颈部网的全局信息交互能力。此外,设计了BNFM模块用于高效融合同层次特征图,优化了骨干网和颈部网特征的互补性,进一步提升了神经网络的泛化能力。最后,引入了滑动损失函数,使模型能够更充分地利用难分类样本进行训练。实验结果表明:该算法在自建水平视角细粒度舰船目标分类数据集上mAP@0.95达到66.9%,较YOLOv8n、YOLOv10n分别提升2.5、5.4个百分点;在公开遥感细粒度舰船目标分类数据集上mAP@0.5:0.95达57.2%,较二者分别提升3.4和7.0个百分点。